Statistik Untuk Penelitian

Statistik Inferensial mencakup semua metode yang

berhubungan dengan analisis sebagian data (sampel)
untuk kemudian sampai pada peramalan atau
penarikan kesimpulan mengenai keseluruhan data
(populasi).
Variabel
Variabel adalah karakteristik atau sifat yang merupakan penamaan yang
melekat pada suatu objek yang dikasi.
Jenis-jenis variabel:
1. Variabel Intraneous: Variabel terikat (dependent), Variabel bebas
(independent), Variabel antara (Intervene), Variabel moderator.
2. Variabel extraneous: Variabel pembaur (confounding), Variabel
kendali (control), Variabel Penyerta (concomitant)
Jenis hubungan antar variabel
1. Asimetri
2. Simetris
3. Resiprokal
Ciri-ciri Hubungan Sebab Akibat (Kausal)
• Kedu variabel sama-sama berubah nilainya (ada kovarians)
• Variabel penyebab (independen) mengalami perubahan terlebih dulu
sebelum variabel dependen.
• Kemungkinan variabel lain ikut-ikutan menjadi penyebab telah
dihilangkan.
Skala Pengukuran
Analisis data mempengaruhi variasi identifikasi dan pengukuran
seperangkat variabel.

Kunci dari analisis adalah pengukuran.

Data dapat diklasifikasikan berdasarkan tipe dari atribut atau

karakteristik yang ditampilkannya, yakni: nonmetrik (kualitatif) dan
metrik (kuantitatif).
Skala Pengukuran nonmetrik (kualitatif)
Makna: menggambarkan perbedaan dalam tipe atau jenis dengan
menunjukkan ada atau tidak adanya karakteristik atau properti
tertentu.

Contoh jika seseorang adalah “laki-laki”, dia tidak bisa menjadi

“perempuan”. Tidak mungkin kita bisa menjumlahkan jenis kelamin,
namun kita hanya bisa mengatakan bahwa dia “laki-laki”, atau dia
“perempuan”.

Ukuran nonmetrik terdiri dari skala nominal dan skala ordinal.

1. Skala Nominal (Kategorikal)
Memberikan angka sebagai cara untuk melabel atau mengidentifikasi
subjek atau objek.

Pemberian angka pada objek tidak memiliki makna kuantitatif.

Skala ini hanya menyediakan nomor keberadaan variabel dalam kelas

atau kategori tertentu.

Contoh: Jenis kelamin (1 untuk laki-laki, 2 untuk perempuan). Tidak

bisa dijumlahkan maupun dirata-ratakan nilai dari jenis kelamin.
2. Skala Ordinal
Adalah data yang diperoleh dengan cara kategorik, namun data dapat
diurutkan atau direngking dalam kaitannya dengan jumlah atribut yang
dimiliki.

Setiap subjek atau objek bisa dibandingkan dengan yang lainnya dalam hal
hubungan “lebih besar dari” atau “lebih rendah dari”.

Peneliti tau urutannya, tapi tidak dengan jumlah perbedaan antara nilai yang
ada.

Peneliti tidak bisa melakukan operasi aritmatika (penjumlahan, rata-rata,

dsb.)
Contoh:
Berikut diilustrasikan level kepuasan konsumen terhadap produk baru menggunakan
skala ordinal.
Skala Pengukuran metrik (kuantitatif)
Digunakan ketika subjek berbeda dalam jumlah atau derjat pada
atribut tertentu.

Skala pengukuran ini memungkinkan dilakukannya operasi matematika.

Contoh: level kepuasan atau komitmen untuk bekerja.

Terdapat dua skala pengukuran metrik yakni interval dan rasio.

Skala Interval
Suatu skala pemberian angka pada objek yang memunyai sifat ukuran
ordinal dan mempunyai jarak atau interval yang sama.

Menggunakan titik nol acak

Contoh: temperatur ruangan dengan Celcius. Nilai 0 bukan berarti suhu

ruangan tidak ada.
Skala Rasio
Skala interval yang memiliki nilai dasar (based value) yang tidak dapat
dirubah.

Skala rasio menggunakan titik nol absolut.

Contoh: misalkan nilai ujian matematika Tono adalah 50, sedangkan

nilai Toni adalah 100. Ukuran rasionya dapat dinyatakan bahwa nilai
Toni adalah 2 kali nilai Tono.
Contoh lain :produktivitas merupakan perbandingan antara input dan
output.
Dampak Pemilihan Skala Pengukuran
Dua alasan pentingnya memahami perbedan tipe skala pengukuran:
1. Setiap peneliti harus mengidentifikasi skala pengukuran pada setiap
variabel penelitian yang digunakan. Jadi, data nonmetrik tidak tepat
digunakan sebagai data metrik, begitu juga sebaliknya.
2. Skala pengukuran juga sangat penting untuk menentukan teknik
statistika yang digunakan untuk data. Properti metrik atau
nonmetrik dari variabel dependen atau variabel independen
penelitian merupakan salah satu faktor pertimbangan untuk
memilih teknik statistika yang sesuai.
Eror Pengukuran
• Eror pengukuran adalah tingkat dimana nilai observasi tidak
merepresentasikan nilai “yang sebenarnya”.

• Kebanyakan dalam penelitian, terdapat kemungkinan data yang tidak

tepat. Sehingga, semua variabel yang digunakan dalam teknik statistik
harus mengasumsikan tingkat eror pengukuran.

• Peneliti pasti ingin mengurangi eror penelitian. Untuk itu, dia harus
memahami dua karakteristik penting pengukuran yakni validitas dan
Reliabilitas.
Validitas
adalah tingkat dimana ukuran secara akurat
merepresentasikan apa yang seharusnya.
Reliabilitas
adalah tingkat dimana variabel yang diobservasi mengukur nilai “yang
benar” dan “bebas eror”. Ukuran yang riliabel akan lebih konsisten
ketika digunakan berulang kali.
Dampak dari Eror Pengukuran
Dampak dari eror pengukuran dan reliabilitas yang jelek tidak dapat
dilihat secara langsung karena mereka melekat dalam variabel yang
diobservasi.

Oleh karena itu penelti harus selalu bekerja keras untuk meningkatkan
validitas dan reliabilitas, guna menghasilkan gambaran yang lebih
akurat dari variabel yang diteliti serta akan menghasilkan penelitian
yang lebih baik.
Tipe Statistical error dan statistical power
Dalam menginterpretasikan kesimpulan statisika, peneliti harus
menetapkan level penerimaan atau statistical error dari sampel ang
digunakan (dikenal sebagai sampling eror).

Pendekatan yang sangat umum digunakan adalah menentukan level

“Eror Tipe I “ (Type I Error), juga dikenal sebagai alpha (α).

Eror Tipe I adalah kemungkinan hipotesis nol ditolak ketika dia

sebenarnya benar-secara umum dikenal sebagai false positive.
Selain Eror Tipe I, Peneliti juga harus mempertimbangkan Eror Tipe II
(Type II Error), dikenal juga sebagai beta (β). Eror Tipe II adalah
kemungkinan tidak menolak hipotesis nol ketika dia sebenarnya salah.
Pengembangan dari Eror Tipe II adalah eror 1-β, yakni power dari hasil
pengujian statistika. Power adalah kemungkinan menolak secara benar
hipotesis nol ketika dia seharusnya ditolak. Sehingga, power juga
merupakan indikasi kemungkinan signifikan secara statistik jika dia
memang terdapat hubungan.
• Eror Tipe I dan Eror Tipe II memiliki hubungan terbalik. Eror Tipe I
akan menjadi restriktif (bergerak mendekati nol) ketika Eror tipe II
meningkat. Mengurangi Eror Tipe I akan mengurangi power pengujian
statistik. Sehingga peneliti harus menemukan keseimbangan natara
level alpha dan power hasil (power pengujian statistik).